WhynotTV Podcast是一档深度、专业、硬核、超长时长（2小时-4小时）的AI科技视频播客——聚焦 AI/科技的深度播客，硬核拆解底层技术细节与商业逻辑，也关照人生智慧与个人成长哲思。
WhynotTV Podcast
Claim This Podcastby Tairan He
5.0(4 reviews)
5 episodes
Updated Daily
Accepts GuestsHas SponsorsLocation 🇨🇳
Podcast Overview
WhynotTV Podcast是一档深度、专业、硬核、超长时长（2小时-4小时）的AI科技视频播客——聚焦 AI/科技的深度播客，硬核拆解底层技术细节与商业逻辑，也关照人生智慧与个人成长哲思。
Language
🇨🇳
Publishing Since
7/6/2025
Reach the team behind WhynotTV Podcast
Verified contact details for this show aren't on file yet — sign up to get notified when they land.
Recent Episodes
May 1, 2026
Danfei Xu：人类数据，行为克隆，机器人GPT-3，全栈，EgoMimic，遥操作，UMI，斯坦福 | WhynotTV Podcast #5
Host Danfei Xu, a roboticist from Stanford, discusses how human data fuels robot learning and explores the future of embodied AI in this interview.
January 17, 2026
翁家翌：OpenAI，GPT，强化学习，Infra，后训练，天授，tuixue，开源，CMU，清华｜WhynotTV Podcast #4
<p>本期嘉宾翁家翌。他在 2022 年加入 OpenAI，并且是 OpenAI 一系列核心模型背后的核心贡献者之一——从 GPT-3.5、GPT-4、再到 GPT-5，你能看到的那些关键跃迁里，都有他的身影；而他最主要的贡献，你可以先记住三个词：强化学习、post-training、infra。但对我来说，翁家翌不只是“把模型做得更强的人”。在成为 OpenAI 研究员之前，他就已经用开源和产品影响过无数人：把知识与资料公开、试图打破信息差；把做工具称作一种“慈善”——在他的价值观里，开源不是履历装饰，而是一种对世界的投入方式：追求的不是掌声，而是 impact。在这期节目里，我们会从翁家翌的童年经历聊起，走到他在清华与 CMU 的求学与成长，再到他在 2022 年加入 OpenAI 后的亲历：站在 AI 风暴中心的人，到底看见了什么？这里是 WhynotTV Podcast。现在请和我一起，走进翁家翌的世界。</p><p>------------</p><p><br></p><p><br></p><p>00:02:33 - 小时候的翁家翌是什么样的小孩00:05:56 - 成长过程中的投资未来的意识00:08:10 - 高中计算机竞赛与升学00:16:02 - 在清华开源作业与信息差00:19:23 - 在本科与强化学习结缘00:28:00 - 在Yoshua Bengio组暑研做NLP的经00:30:38 - 对前ChatGPT时代的NLP和RL有什么反思00:32:47 - 留学申请季受挫的经历00:35:28 - 对固有评价体系的挣脱00:41:08 - 天授Tianshou强化学习框架的前世今生00:48:07 - tuixue online签证查询系统00:49:54 - 追求影响力impact的底层逻辑是什么00:56:21 - CMU读研与加入OpenAI的经历00:59:46 - 和John Schulman的面试故事01:01:54 - 为什么没有考虑读PhD01:03:16 - 研究能力和工程能力谁更重要01:06:31 - infra的重要性01:09:28 - 还会鼓励今天的学生读AI PhD吗01:13:13 - 什么是强化学习和post-training（后训练）01:14:22 - 加入OpenAI的时候ChatGPT是主线吗01:16:01 - 发布ChatGPT前可以想象这样大规模的成功吗01:19:18 - 2022年加入OpenAI的初印象是什么01:20:52 - OpenAI的人才密度与组织架构01:24:09 - GPT强化学习Post-training的前世今生01:25:10 - 在2022年做RLHF有什么关键的挑战与突破01:27:01 - 大模型工业级RL infra 的挑战01:32:08 - 未来5-10年大语言模型的挑战和瓶颈会是是什么01:36:30 - 现在的预训练和后训练可以达到AGI吗01:38:34 - OpenAI还Open吗01:43:30 - OpenAI实现AGI使命的最大挑战是什么01:44:02 - 内部视角看Sam Altman被开除的经历01:46:37 - 如何看待OpenAI的人才流失01:47:43 - OpenAI面对AI竞赛的内部视角01:52:48 - 未来与宿命论01:58:35 - 考虑过创业吗02:00:01 - 希望十年后的自己是什么样的</p><p><br></p>
September 12, 2025
陈天奇：机器学习系统，长期主义，初心，XGBoost，MXNet，TVM，MLC LLM，OctoML，CMU，UW，ACM班
<p>当我问陈天奇，你会对十年前二十年前的陈天奇说些什么时，他沉默了近20秒说——</p><p>“可能要反过来，我需要过去的我对现在的我，现在的我对未来的我说，记住自己对自己的承诺，坚持自己的理想，往下走下去”</p><p><br /></p><p>那一刻我被真正感动了——因为我真正看到一个真正的理想主义者，过去二十年机器学习的历史， XGBoost、MXNet、TVM、MLC都是不可磨灭的精彩印迹，而在这几个项目名背后，有一个共同的名字，他就是本期播客嘉宾陈天奇。过去 15 年，陈天奇把让机器学习模型更轻、更快、更易部署做成了一条清晰的技术主线。从最早的把树模型系统推到极致的XGBoost，到最早的深度学习框架之一 MXNet，再到开创深度学习编译领域的TVM，和今天希望把大模型跑上所有设备的MLC LLM。</p><p><br /></p><p>陈天奇在机器学习系统这条路上已经走了快 20 年——从陈天奇的视角看这 20 年的激荡会是什么样的风景？在这期播客，你会听到：</p><ol><li>我和陈天奇会把他的每一个开源项目都拆解清楚——他们为什么诞生、如何长成、在哪里拐弯。</li><li>也会走进陈天奇的个人经历——年少如何与计算机相遇，高二的时候如何自学写编译器，在交大 ACM 班打下系统功底，在 UW 的科研突破，到最后同时走向创业和教职两条路。</li><li>更重要的我们还聊到了陈天奇的底层价值观——长期主义如何落地，如何在不确定性中坚持敢失败的勇气和初心。在科研、创业、教职三条路都获得成功后，陈天奇在筹划着什么样的下一步？</li></ol><p><br /></p><p>这里是WhynotTV Podcast——现在，请和我一起进入陈天奇的世界。</p><p><br /></p><p>2:06 在童年时期对什么事物最感兴趣</p><p>8:38 有没有什么十八岁之前的经历对未来产生了深远影响</p><p>10:16 温和的性格是童年时期就养成的吗？</p><p>12:08 上海交大ACM班的经历</p><p>14:33 本科ACM班教育对人生的影响</p><p>18:05 本科第一次接触机器学习科研时的挑战</p><p>20:09 手搓CUDA用深度学习尝试ImageNet</p><p>23:10 在2010年用GPU做深度学习是共识了吗</p><p>24:32 初生牛犊不怕虎做深度学习的经验教训</p><p>29:40 如何从失败的科研后反而变得不怕失败</p><p>32:16 研究视野的飞跃，20年后对研究视野的反思</p><p>39:01 来到UW读PhD的选择</p><p>41:08 XGBoost成功的关键原因：极致、社区、专注</p><p>46:14 为什么选择树方法？Carlos的严格要求</p><p>49:31 站在现在反思XGBoost当年对神经网络和深度学习的判断</p><p>53:02 MXNet的前世今生</p><p>60:03 MXNet背后的博士生团队协作</p><p>64:14 从MXNet的历史学到的经验教训</p><p>67:56 科研的风险与收益</p><p>71:40 TVM的前世今生——什么是机器学习编译</p><p>74:19 为什么做TVM这么有挑战性</p><p>77:17 选择做重要的事——做TVM的勇气</p><p>81:55 GPU/TPU/NPU的区别</p><p>83:05 初生牛犊不怕虎的勇气与初心</p><p>86:08 TVM的生态位，2025年面临的挑战与机会</p><p>90:26 机器学习系统的历史</p><p>95:03 机器学习系统的未来，挑战与机遇</p><p>96:13 MLC LLM——将大模型部署到所有设备</p><p>97:24 未来大模型的推理的格局分布——云vs端侧</p><p>101:11 AI模型的收敛趋同会持续下去吗？对机器学习系统来说意味着什么？</p><p>105:38 因为资源受限，学术界应该去解决什么样的机器学习系统的研究问题？</p><p>110:42 对开源的热情——如何做成功的开源项目？</p><p>114:50 OctoML——创业的动机与故事</p><p>116:29 基于开源项目的创业的得失与优劣</p><p>119:15 OctoML的商业模式与转型</p><p>123:00 创业过程中的收获与教训</p><p>123:58考虑过当CEO吗？当技术领袖的所需要的自我革新</p><p>126:18 创业被NVIDIA收购是符合预期的退出方式吗？</p><p>128:19 技术创业必须的自我革新</p><p>130:23 为什么决定要当教授？</p><p>130:54 一线经验的重要性——为什么当教授了还要写那么多代码？</p><p>135:03 如何做到高效的时间分配与产出？</p><p>136:28 这个时代的快节奏的机器学习系统研究——我们还能慢下来吗？</p><p>138:31 如何面对AI研究的新挑战？</p><p>139:52 现在陈天奇作为教授的风格是什么样的——如何指导学生？</p><p>141:06 工业界工作vs学术界PhD</p><p>142:19 实事求是问题导向的研究风格</p><p>143:22 对长期主义的感悟</p><p>146:12 面临人生选择的智慧</p><p>148:41 未来的陈天奇还想做什么——失败与初心</p><p>152:58 AGI需要什么样的机器学习系统</p><p>154:23 未来AI的格局会是巨头统治还是百花齐放</p><p>155:03 会对20年前10年前的陈天奇说什么？</p><p>155:52 对成功和幸福有什么新的感悟</p><p>157:51 会看这二十年的旅途——你最后想说些什么？</p>
5 total episodes available with 5 transcripts
Similar Podcasts
Discover related shows you might enjoy
Deep-dive analytics for WhynotTV Podcast
Frequently asked questions
Have a different question and can't find the answer you're looking for? Reach out to our support team by sending us an email and we'll get back to you as soon as we can.
- What is WhynotTV Podcast?
- How often does this podcast release new episodes?
This podcast updates daily.
- Where can I listen to this podcast?
This podcast is available on 4 platforms including Apple Podcasts, Spotify, and more. You can also use the RSS feed directly.
- Does this podcast accept guests?
Yes, this podcast regularly features guests.
Legal Disclaimer
Pod Engine is not affiliated with, endorsed by, or officially connected with any of the podcasts displayed on this platform. We operate independently as a podcast discovery and analytics service.
All podcast artwork, thumbnails, and content displayed on this page are the property of their respective owners and are protected by applicable copyright laws. This includes, but is not limited to, podcast cover art, episode artwork, show descriptions, episode titles, transcripts, audio snippets, and any other content originating from the podcast creators or their licensors.
We display this content under fair use principles and/or implied license for the purpose of podcast discovery, information, and commentary. We make no claim of ownership over any podcast content, artwork, or related materials shown on this platform. All trademarks, service marks, and trade names are the property of their respective owners.
While we strive to ensure all content usage is properly authorized, if you are a rights holder and believe your content is being used inappropriately or without proper authorization, please contact us immediately at hey@podengine.ai for prompt review and appropriate action, which may include content removal or proper attribution.
By accessing and using this platform, you acknowledge and agree to respect all applicable copyright laws and intellectual property rights of content owners. Any unauthorized reproduction, distribution, or commercial use of the content displayed on this platform is strictly prohibited.